Balancing Weights for Causal Inference in Observational Factorial Studies
观察性多因素研究中的因果推断平衡权重AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究观察性多因素处理的因果效应、交互效应及平衡加权。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
观察性多因素研究中的因果推断平衡权重
- 研究问题
- 当多个处理因素形成大量组合、部分组合稀少或缺失时，如何利用观察数据同时估计各因素及其交互作用的因果效应？
- 方法与思路
- 作者通过加权观察数据模拟随机析因实验，要求同时平衡协变量与处理因素，并将权重方法扩展至缺失处理组合的情形。
- 材料陈述的贡献
- 摘要强调仅平衡协变量不足以无偏估计析因效应，还需平衡因素；作者研究估计量的渐近性质并提出一致方差估计量。
- 阅读关注点
- 应核对因果识别条件、因素平衡的数学定义、缺失组合下可识别的效应，以及权重可行性和方差一致性的具体条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明缺失组合下所需限制，不能推断任意组合缺失都可解决。
原文摘要
Many scientific questions in biomedical, environmental, and psychological research involve understanding the effects of multiple factors on outcomes. While factorial experiments are ideal for this purpose, randomized controlled treatment assignment is generally infeasible in many empirical studies. Therefore, investigators must rely on observational data, where drawing reliable causal inferences for multiple factors remains challenging. As the number of treatment combinations grows exponentially with the number of factors, some treatment combinations can be rare or missing by chance in observed data, further complicating factorial effects estimation. To address these challenges, we propose a novel weighting method tailored to observational studies with multiple factors. Our approach uses weighted observational data to emulate a randomized factorial experiment, enabling simultaneous estimation of the effects of multiple factors and their interactions. Our investigations reveal a crucial nuance: achieving balance among covariates, as in single-factor scenarios, is necessary but insufficient for unbiasedly estimating factorial effects; balancing the factors is also essential in multi-factor settings. Moreover, we extend our weighting method to handle missing treatment combinations in observed data. Finally, we study the asymptotic behavior of the new weighting estimators and propose a consistent variance estimator, providing reliable inferences on factorial effects in observational studies.